antologia control de procesos

Download Antologia Control de Procesos

Post on 24-Oct-2015

226 views

Category:

Documents

13 download

Embed Size (px)

TRANSCRIPT

INSTITUTO TECNOLOGICO SUPERIOR DE COATZACOALCOS

Carrera:Ingeniera Mecatrnica

Grado y grupo:9 B

Asignatura:Control de Procesos

Trabajo:Antologa Control de Procesos

Profesor(a):Ing. Jos Mara Crdoba Laguns

Nombres del alumno:Romero Lara Fernando Julian

Lugar y fecha:

Coatzacoalcos Ver. A 15 de Agosto del 2013

ndice:Unidad I: Identificacin de sistemas..31.1 Mtodos grficos de identificacin31.2 Mtodo del modelo de referencia 71.3 Mtodo de mnimos cuadrados..101.4 Mtodo del mximo de verosimidad..121.5 Mtodo de la variable instrumental.15Unidad II: Sintonizacin de controladores industriales172.1 Mtodo de Ziegler-Nichols 182.2 Mtodo de Cohen-Coon ..202.3 Mtodo de un cuarto de decaimiento de la respuesta .212.4 Mtodo de mapas de sintonizacin .22Unidad III: Introduccin a los Sistemas de Adquisicin de Datos (SCADA)...243.1. Definicin de un sistema de adquisicin de datos243.2. Criterios para la generacin de un sistema de adquisicin de datos..253.3. Interpretacin de hojas tcnicas de los elementos de un sistema de adquisicin de datos.29Unidad IV: Desarrollo de Sistemas SCADA .314.1 Basados en Desplegador de textos314.2. Basados en Panel Tctil314.3. Basados en Software de Computadora31Unidad V: Sistemas de Control Distribuido..325.1 Definicin y Caractersticas de un Control Distribuido..325.2. Criterios para la construccin de un Control Distribuido34Unidad VI: Sistemas Embebidos .356.1 Introduccin a los sistemas embebidos.356.2. Componentes principales de un sistema embebido366.3. Aplicaciones a un sistema embebido.37Bibliografa..39

Unidad I: Identificacin de sistemas.

En laingeniera de control, el campo deidentificacin de sistemasusamtodos estadsticospara crearmodelos matemticosdesistemas dinmicosa partir de valores medidos. La identificacin de sistemas tambin abarca el diseo ptimo de los experimentos para generar eficientemente informacin til para aproximar dichos modelos.En este contexto un modelo dinmico es una descripcin matemtica del comportamiento dinmico del sistema o el proceso, tanto en el dominio del tiempo como en el dominio frecuencial.Ejemplos:Procesos fsicos como el movimiento de un cuerpo en cada libre bajo el efecto de lagravedadProcesos econmicos como el stock de mercados que reaccionan frente a influencias externas.

1.1 Mtodos grficos de identificacin

Mtodos grficos Estos mtodos se caracterizan por determinar los parmetros del modelo de una forma grfica, y por mucho tiempo se utilizaron de esta forma a pesar de las imprecisiones a que con llevan. No obstante, con la ayuda de la computadora, muchos mtodos grficos se han programado mediante algoritmos analticos. Mtodos basados en la respuesta a escaln. El escaln es la seal de prueba ms utilizada, en la prctica slo puede lograrse de forma aproximada ya que es imposible lograr un cambio brusco de una variable en un tiempo infinitesimal, no obstante se considera vlido si la constante de tiempo de la seal real es menor que la dcima parte de la menor constante de tiempo que se quiere determinar en la identificacin. El uso de esta seal tiene la ventaja de la sencillez en su generacin y que el tiempo de experimentacin es corto. Como desventaja se puede mencionar la introduccin de una alteracin relativamente grande en el comportamiento del sistema, lo cual no siempre es permisible. El procedimiento para obtener los parmetros del modelo estar en dependencia del modelo propuesto para la identificacin, a partir de la respuesta del sistema a esta seal de estmulo.

Modelo de primer orden. Para un sistema del tipo

Se necesitan estimar la ganancia (K) y la constante de tiempo(). Para mayor generalidad, se excita al sistema con un escaln a la entrada de amplitud r1-r, a partir de cualquier estado estacionario del sistema.La ganancia (K) se calcula como

Y la constante de tiempo se calcula grficamente como se muestra o tomando el valor de t para el cual k = c + .0 63c , o sea, que la respuesta c(t) ha alcanzado el 63.2% de su variacin total.

Escaln de entrada y respuesta del sistema de primer orden

Mtodo de Oldenbourg Sartorius Se usa para sistemas de segundo orden no oscilatorio. La ganancia se calcula igual al caso de primer orden:

Suponemos: Para calcular las constantes de tiempo T1 y T2 se usan las relaciones entre los tiempos TA y TC, definidos cuando se traza una tangente por el punto de inflexin de la curva que representa la respuesta de un sistema de segundo orden a un escaln.

Los valores de TA y TC se determinan grficamente de la representacin de la respuesta del sistema a un escaln. La solucin analtica de las ecuaciones resultantes al sustituir TA y TC en las expresiones (2.3) y (2.4) es muy compleja, por lo que resulta ms conveniente aplicar un procedimiento grfico. Estas expresiones pueden escribirse como:

Respuesta de un sistema de segundo orden a un escaln

Mtodo de Anderson. Segundo orden

1.2 Mtodo del modelo de referencia

Control con Modelo de Referencia Determinista

Control con Modelo de Referencia Estocstico

1.3 Mtodo de mnimos cuadrados

1.4 Mtodo del mximo de verosimidad

Supngase que se tiene una muestrax1,x2,,xndenobservacionesindependientesextradas de unafuncin de distribucindesconocida confuncin de densidad(ofuncin de probabilidad)f0(). Se sabe, sin embargo, quef0pertenece a una familia de distribuciones{f(|), }, llamadamodelo paramtrico, de manera quef0corresponde a=0, que es elverdadero valordel parmetro. Se desea encontrar el valor(oestimador) que est lo ms prximo posible al verdadero valor0.

Tantoxicomopueden ser vectores.La idea de este mtodo es el de encontrar primero la funcin de densidad conjunta de todas las observaciones, que bajo condiciones de independencia, es

Observando esta funcin bajo un ngulo ligeramente distinto, se puede suponer que los valores observadosx1,x2, ,xnson fijos mientras quepuede variar libremente. Esta es lafuncin de verosimilitud:

En la prctica, se suele utilizar el logaritmo de esta funcin:

El mtodo de lamxima verosimilitudestima0buscando el valor deque maximiza. Este es el llamadoestimador de mxima verosimilitud(MLE) de0:

En ocasiones este estimador es una funcin explcita de los datos observadosx1, ,xn, pero muchas veces hay que recurrir a optimizaciones numricas. Tambin puede ocurrir que el mximo no sea nico o no exista.En la exposicin anterior se ha asumido la independencia de las observaciones, pero no es un requisito necesario: basta con poder construir la funcin de probabilidad conjunta de los datos para poder aplicar el mtodo. Un contexto en el que esto es habitual es el del anlisis deseries temporales.En muchos casos, el estimador obtenido por mxima verosimilitud posee un conjunto de propiedades asintticas atractivas: consistencia, normalidad asinttica, eficiencia, e incluso eficiencia de segundo orden tras corregir el sesgo.

Bajo ciertas condiciones bastante habituales,2el estimador de mxima verosimilitud esconsistente: si el nmero de observacionesntiende a infinito, el estimadorconverge en probabilidada su valor verdadero:

Bajo condiciones algo ms fuertes,3la convergencia escasi segura:

Si las condiciones para la consistencia se cumplen y, adems,0 interior();f(x|) > 0 y es dos veces continuamente diferenciable respecto aen algn entornoNde0; supN||f(x|)||dx< , y supN||f(x|)||dx< ;I= E[lnf(x|0) lnf(x|0)] existe y no es singular;E[ supN||lnf(x|)||] < ,entonces el estimador de mxima verosimilitud tiene una distribucin asinttica normal:4

Sies el EMV deyg()es una transformacin de, entonces el EMV de=g() es

Adems, el EMV es invariante frente a ciertas transformaciones de los datos. En efecto, siyuna aplicacin biyectiva que no depende de los parmetros que se estiman, entonces la funcin de densidad de Y es

Es decir, las funciones de densidad de X e Y difieren nicamente en un trmino que no depende de los parmetros. As, por ejemplo, el EMV para los parmetros de unadistribucin lognormalson los mismos que los de unadistribucin normalajustada sobre el logaritmo de los datos de entrada.El EMV es n-consistente y asintticamenteeficiente. En particular, esto significa que elsesgoes cero hasta el ordenn1/2. Sin embargo, al obtener los trminos de mayor orden de laexpansin de Edgeworthde la distribucin del estimador,emvtiene un sesgo de orden1. Este sesgo es igual a5

frmula donde se ha adoptado laconvencin de Einsteinpara expresar sumas;Ijkrepresenta laj,k-sima componente de la inversa de lamatriz de informacin de Fishery

Gracias a estas frmulas es posible estimar el sesgo de segundo orden del estimador y corregirlo mediante substraccin:

Este estimador, insesgado hasta el ordenn1, se llamaestimador de mxima verosimilitud con correccin del sesgo.

1.5 Mtodo de la variable instrumentalEl Mtodo de variables instrumentales permite una estimacin consistente cuando las variables explicativas (covariables) se correlacionan con los trminos de error de la regresin. Dicha correlacin puede ocurrir cuando la variable dependiente causa por lo menos una de las covariables (relacin causal "inversa"), cuando hay variables explicativas relevantes que se han omitido en el modelo, o cuando las covariables estn sujetas a errores de medicin. En esta situacin, la regresin lineal generalmente produce estimaciones sesgadas e inconsistentes.1Sin embargo, si un instrumento est disponible, an puede obtenerse estimaciones consistentes. Un instrumento es una variable que no pertenecen en s en la ecuacin explicativa y se correlaciona con las variables explicativas endgenas, condicionada a las otras variables. En los modelos lineales, hay dos requisitos principales para el uso de un IV:El instrumento debe estar correlacionada con las variables explicativas endgenas, condicionada a las otr